基于改进YOLOv8的堆叠零件实例分割研究

为了实现复杂工业环境下机器人对堆叠零件的快速识别拣选,构建一种改进的YOLOv8s实例分割模型,并应用于堆叠零件实时识别分割中。针对堆叠工业零件不易分割的问题,将原始模型的主干网络替换为提取特征能力更强的PoolFormer主干网络,提升堆叠零件边缘分割效果;为了更好地过滤掉多余背景信息,保留关键信息,引入了效果更好的CARAFE上采样模块。试验结果表明,改进后模型的分割平均精度和预测框平均精度分别为93.57%和97.47%,相比原模型提升了1.89%和1.23%,且远高于同类型的YOLACT++和SOLOv2模型,验证了改进模型的有效性。